人工智能在“激光技术专业实验”中的应用研究

1. 引言

人工智能（AI）近年来的蓬勃发展为教育带来了巨大的变革。在教学方式上：AI 能够根据学生的学习进度、能力、兴趣等数据，动态调整学习计划与内容推荐，实现“因材施教”，提供个性化学习；针对学生学习中的问题实现智能辅导与答疑，提供个性化的学习建议和解题思路；借助虚拟现实（VR）和增强现实（AR）技术，创造沉浸式的学习环境，提高学生的学习兴趣和参与度。在教学资源上：AI 推动了优质教育资源的数字化和智能化，实现了优质资源共享；可根据学生的学习需求和兴趣，智能生成和推荐个性化的学习内容。在教学管理上：AI 技术可以对教育过程中的大量数据进行收集和分析，帮助教育管理者更好地了解学生的学习情况和教育效果；可以自动生成试卷、批改作业并提供反馈，甚至通过智能评估学生的潜力和学习趋势，帮助学校和教育机构优化教学计划。总的来说，人工智能技术的发展为教育带来了前所未有的机遇和挑战，推动了教育方式、资源、管理以及目标和内容的全面变革。未来，随着 AI 技术的不断进步和应用，教育将朝着更加智能化、个性化和高效化的方向发展，为培养面向未来的人才提供更加有力的支持。

虽然人工智能在教育中有着各种潜在优势，但是怎么与实际课程的结合；如何通过分析课程已有内容，将 AI 有效地植入现有教学内容，提高同学们的参与度；启发学生如何将 AI 与现有知识体系有效结合，以实现创新能力的培养，并提高学生的综合素质；仍然是需要深入思考的事情。特别是对于非计算机专业的学生而言，AI 更多的是赋能现有知识体系，而不是专注于算法构架，更多地学习的是一种思维的方式而不是具体的代码编写能力。

近些年，以激光技术为基础的光电子产业快速发展，被广泛地应用于科学研究、医疗、先进制造、国防等领域[1]。随着人工智能技术的飞速发展，作为一项赋能技术已全面系统进一步带动激光技术的快速发展，在激光系统优化设计[2、3]、光束控制[4、5]以及特性表征[6、7]等方面取得了良好的应用效果。在 Web of Science 上对题目和主题同时包含关键词“laser”和 AI 算法相关词汇（包括“machine learning”“artificial intelligence”“neuralnetwork”“deep learning”“reinforcement learning”等）的论文进行了检索和分析，发现在 2015 年以后发文量呈快速上升趋势，在 2023 年发文量高达约6000 篇；并且我国在人工智能赋能激光技术上处于领先状态，如图 1 所示。

由上所述不难发现，人工智能与激光技术的结合是激光技术领域的重要发展方向，对于培养新一代激光技术人才具有重要意义。因此，本论文以“激光技术专业实验”课程为背景，探究了如何将人工智能运用进来，并分析了学生们在课堂上和课后练习上的参与度情况，为后续进一步优化人工智能在“激光技术专业实验”中课程安排奠定了基础。

2. 课程设计

目前四川大学“激光技术专业实验”课是《激光与光通信专业实验》课程的一部分，包含了以下三个实验：氦氖激光器谐振腔调节实验和稳定性测量；90/10 刀口法测量高斯激光光束光斑大小；He-Ne 激光腔内小孔对激光输出模式及光束质量的影响。主要的课程目的是通过实验的方式，促进学生理解氦氖激光谐振腔的出光原理，掌握氦氖激光谐振腔的调节方法，熟悉掌握激光器输出功率的变化规律，掌握功率计的使用方法。掌握刀口法测量激光光斑大小的原理，并测量高斯光束的光斑大小。了解激光器模式的形成及特点，加深对其物理概念的理解，观察激光器输出的横向光场分布花样，并理解谐振腔的调整对模式的影响。这三个实验相比而言，对激光模式的识别本质上是对图像的分析，而卷积神经网络被广泛地应用于图像分析中。因此，我们根据现有实验课中的实验设备配置，开展了基于卷积神经网络的激光模式识别实验课程。

基于神经网络的模式识别分析课程内容主要包含了三个方面：1.卷积神经网络的基本知识体系；2.激光横模的物理意义；3.基于神经网络的激光模式识别；具体阐述如下。

2.1 卷积神经网络的基本知识体系

由于参与该实验课程的大部分同学都没有接受过系统的神经网络相关知识学习，并且针对课程提出的模式识别是基于仿真数据，也不需要考虑多模式分解的情况，课程中以比较经典的 Lenet 网络结构作为例子进行讲解。Lenet 包括 Lenet1 - Lenet5 网络结构，由 Yann LeCun 等人在 1990 年中提出[8]。LeNet 首次采用了卷积层、池化层这两个全新的神经网络组件，以实现手写字母高准确率的识别。其中 LeNet5 网络结构识别效果最好，其网络结构如图 2 所示，包含了 3 层卷积层，2 层池化层，2 层全连接层。

2.2 激光横模的物理意义

激光器由增益介质、谐振腔和泵浦源三部分组成。当激光增益介质被激励时将形成粒子数反转，由于自发辐射和受激辐射的作用，将有一定频率的光波产生传播并被增益介质放大，光在谐振腔中多次往返反馈，在纵向形成不同的场分布的时候，对光斑的横向分布也会有影响。光每反馈一次就相当于一次衍射，多次反复衍射就在同一波腹的横截面处形成一个或多个稳定的衍射光斑，每一个衍射光斑对应一种稳定的横向电磁场分布，称为一个横模。也就是说横模是指在谐振腔内往返传播时，光场的各种可以保持相对稳定横向分布，描述的是激光光斑上的能量分布情况。TEM 的模式光场分布可由式

3. 结论

AI 赋能激光在激光性能指标突破，激光系统设计、应用方面都已展现了巨大的潜力；并且激光技术的发展可以通过提高算力等方式促进 AI 领域的进一步发展。与此相对应的是，在四川大学光学工程、特别是激光技术相关课程建设和教学实践中，AI 技术的整合和应用仍然不足，学生未能获得充分的学习和实践经验。因此，笔者在激光技术专业实验课程中融入人工智能相关教学，在激光技术相关实验中引入利用 AI 技术赋能，提高实验教学质量。从已有课程实施情况来看，虽然同学们的学习热情较高，但是在选修的情况下，完成度并不高。为进一步提高同学的参与积极性，在后续的课程中将通过仿真与实验相结合的方式，要求全体同学参与并完成相关实验报告，为培养高质量的人工智能加光学的新型人才奠定基础。

参考文献：

1.吴函烁等， 中国激光， 2023， 50： 1101001.

2.Ma Z H， et al.， Optics Express， 2020， 28（15）： 21971.

3.Woodward R I， et al.，. Scientific Reports， 2016， 6： 37616.

作者简介：汪莎：1982 年 11 月，女，四川成都，研究员，博士研究生该论文由四川大学“人工智能赋能创新型实践教育综合改革研究专项”资助